线性动力系统的量化状态估计

基于摘要分析。本文研究资源受限嵌入式系统中，有限精度计算对线性动力系统状态估计的影响，核心贡献是将状态、输入和测量中的数值误差纳入最小均方误差估计框架，并提出适用于定点实现的量化估计算法。原研究对象是动力系统状态估计及光机传感中的加速度估计，而非 EEG/BCI。 方法包括量化版本的批量最小二乘估计、序贯 Kalman 滤波和平方根滤波。研究使用稳态协方差分析描述数值精度与估计性能的权衡，分析给定数值表示下可达到的滤波精度。摘要未提供量化误差的具体建模假设、协方差处理方式及算法推导，尚不能判断这些方案对不同量化条件的适用范围。 作者报告，数值仿真中的量化估计方法相较标准滤波公式改善了性能，并在 FPGA-SoC 上实现了低延迟定点加速度状态估计架构，将硬件结果与双精度 MATLAB 实现进行了比较。摘要未给出具体误差、延迟、位宽或资源消耗数值，实验协议、消融及统计信息尚未验证；复现前需核对系统模型、量化规则、数值表示和硬件配置。 平台推测（待验证）：若 EEG/BCI 边缘设备使用线性状态空间滤波且受到定点算力约束，将量化误差显式纳入估计过程可能改善数值稳定性或精度。可复用部分是量化误差处理与滤波计算框架，需改造的是 EEG 的状态、观测及噪声模型；低信噪比、跨被试变化、通道配置变化和小数据下的模型失配可能削弱收益。可检验的小实验是在固定 EEG 数据划分和同一状态空间模型下，对不同定点位宽比较标准滤波与量化滤波，并以双精度实现为参照，记录估计误差和推理延迟。该迁移假设不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。